Análisis de modelos SOM - Frecuencia datos de entrada: mes

Modelo

• ID: 297
• Descripción:
• Frecuencia: mes
• Variables: tmax, tmin, precip, longitud, latitud, altitud
• Dimensiones del mapa: 5,5
• Iteraciones: 1000
• Parámetros adicionales:

source("../../lib/som-utils.R")

Attaching package: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

source("../../lib/maps-utils.R")

Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1

Carga del modelo desde disco

mpr.set_base_path_analysis()
model <- mpr.load_model("som-297.rds.xz")
summary(model)

SOM of size 5x5 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.86.

plot(model, type="changes")

Carga del dataset de entrada

df <- mpr.load_data("datos_mes.csv.xz")

df

summary(df)

 id_estacion           fecha             fecha_cnt           tmax      
 Length:94881       Length:94881       Min.   : 1.000   Min.   :-53.0  
 Class :character   Class :character   1st Qu.: 4.000   1st Qu.:148.0  
 Mode  :character   Mode  :character   Median : 6.000   Median :198.0  
                                       Mean   : 6.497   Mean   :200.2  
                                       3rd Qu.: 9.000   3rd Qu.:255.0  
                                       Max.   :12.000   Max.   :403.0  
      tmin             precip           nevada           prof_nieve      
 Min.   :-121.00   Min.   :  0.00   Min.   :0.000000   Min.   :   0.000  
 1st Qu.:  53.00   1st Qu.:  3.00   1st Qu.:0.000000   1st Qu.:   0.000  
 Median :  98.00   Median : 10.00   Median :0.000000   Median :   0.000  
 Mean   :  98.86   Mean   : 16.25   Mean   :0.000295   Mean   :   0.467  
 3rd Qu.: 148.00   3rd Qu.: 22.00   3rd Qu.:0.000000   3rd Qu.:   0.000  
 Max.   : 254.00   Max.   :422.00   Max.   :6.000000   Max.   :1834.000  
    longitud        latitud            altitud      
 Min.   :27.82   Min.   :-17.8889   Min.   :   1.0  
 1st Qu.:38.28   1st Qu.: -5.6417   1st Qu.:  42.0  
 Median :40.82   Median : -3.4500   Median : 247.0  
 Mean   :39.66   Mean   : -3.4350   Mean   : 418.5  
 3rd Qu.:42.08   3rd Qu.:  0.4914   3rd Qu.: 656.0  
 Max.   :43.57   Max.   :  4.2156   Max.   :2535.0  

Carga de los mapas

world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")

Mapa de densidad

plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)

Número de elementos en cada celda:

nb <- table(model$unit.classif)
print(nb)

   1    2    3    4    5    6    7    8    9   10   11   12   13   14   15   16 
3684 4537 4280 4379 5498 5658 3493 4915 2588 7017 1882 3900 6623 1326 6481 1531 
  17   18   19   20   21   22   23   24   25 
3717 3012 4304 3506  280 3065 6474 1542 1189 

Comprobación de nodos vacíos:

dim_model <- 5*5;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
  print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}

Mapa de distancia entre vecinos

plot(model, type="dist.neighbours", shape = "straight")

Influencia de las variables

model_colnames = c("tmax", "tmin", "precip", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)

Mapa de variables.

plot(model, shape = "straight")

Mapa de calor por variable

par(mfrow=c(3,4))
for (j in 1:model_ncol) {
  plot(model, type="property", property=getCodes(model,1)[,j],
    palette.name=mpr.coolBlueHotRed,
    main=model_colnames[j],
    cex=0.5, shape = "straight")
}

Correlación para cada columna del vector de nodos

if (!empty_nodes) {
  cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
  print(cor)
}

           tmax       tmin     precip  longitud     latitud   altitud
[1,] -0.1160766 -0.3479279 -0.1574735 0.4582451 0.336160578 0.5866394
[2,] -0.9359259 -0.8833922  0.4330076 0.1847318 0.005196281 0.3635443

Representación de cada variable en un mapa de factores:

if (!empty_nodes) {
  par(mfrow=c(1,1))
  plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
  lines(c(-1,1),c(0,0))
  lines(c(0,0),c(-1,1))
  text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
  symbols(0,0,circles=1,inches=F,add=T)
}

Importancia de cada variable - varianza ponderada por el tamaño de la celda:

if (!empty_nodes) {
  sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
     {m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
     effectif=nb))
  print(sort(sigma2,decreasing=T))
}

 longitud   altitud      tmax      tmin   latitud    precip 
0.9570552 0.9377615 0.9348364 0.9282694 0.9243363 0.8788847 

Clustering

if (!empty_nodes) {
  hac <- mpr.hac(model, nb)
}

Visualización de 3 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=3)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=3)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin            precip      
 Min.   : 1.000   Min.   :-53.0   Min.   :-121.0   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.:147.0   1st Qu.:  50.0   1st Qu.:  3.00  
 Median : 6.000   Median :194.0   Median :  93.0   Median : 11.00  
 Mean   : 6.493   Mean   :199.1   Mean   :  94.9   Mean   : 16.54  
 3rd Qu.: 9.000   3rd Qu.:255.0   3rd Qu.: 141.0   3rd Qu.: 23.00  
 Max.   :12.000   Max.   :403.0   Max.   : 254.0   Max.   :133.00  
     nevada           prof_nieve           longitud        latitud        
 Min.   :0.000000   Min.   :   0.0000   Min.   :28.46   Min.   :-17.7550  
 1st Qu.:0.000000   1st Qu.:   0.0000   1st Qu.:38.99   1st Qu.: -4.8500  
 Median :0.000000   Median :   0.0000   Median :40.96   Median : -2.4831  
 Mean   :0.000319   Mean   :   0.4809   Mean   :40.54   Mean   : -2.4411  
 3rd Qu.:0.000000   3rd Qu.:   0.0000   3rd Qu.:42.22   3rd Qu.:  0.4942  
 Max.   :6.000000   Max.   :1834.0000   Max.   :43.57   Max.   :  4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.:  44.0  
 Median : 251.0  
 Mean   : 410.5  
 3rd Qu.: 667.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.505   Mean   :217.6   Mean   :150.8   Mean   :  6.705   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03096   Mean   :28.36   Mean   :-16.05   Mean   : 518.6  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   :114.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:109.8   1st Qu.: 48.00   1st Qu.:133.0   1st Qu.:0  
 Median :10.000   Median :130.0   Median : 69.00   Median :145.0   Median :0  
 Mean   : 7.407   Mean   :133.0   Mean   : 70.01   Mean   :158.3   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:154.0   3rd Qu.: 91.25   3rd Qu.:167.2   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:40.80   1st Qu.: -8.624   1st Qu.: 105.5  
 Median :  0.000   Median :42.24   Median : -8.411   Median : 261.0  
 Mean   :  6.754   Mean   :41.11   Mean   : -6.504   Mean   : 499.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -4.010   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.49   Max.   :  2.827   Max.   :2400.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

Visualización de 4 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=4)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=4)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax          tmin           precip           nevada 
 Min.   : 1.000   Min.   : 56   Min.   :-22.0   Min.   :  0.00   Min.   :0  
 1st Qu.: 5.000   1st Qu.:196   1st Qu.: 97.0   1st Qu.:  3.00   1st Qu.:0  
 Median : 7.000   Median :238   Median :129.0   Median : 10.00   Median :0  
 Mean   : 6.965   Mean   :237   Mean   :129.5   Mean   : 17.06   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:282   3rd Qu.:162.0   3rd Qu.: 23.00   3rd Qu.:0  
 Max.   :12.000   Max.   :403   Max.   :254.0   Max.   :133.00   Max.   :0  
   prof_nieve          longitud        latitud            altitud      
 Min.   : 0.00000   Min.   :28.46   Min.   :-17.7550   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:37.96   1st Qu.: -5.6983   1st Qu.:  32.0  
 Median : 0.00000   Median :40.82   Median : -3.7642   Median :  91.1  
 Mean   : 0.01833   Mean   :40.27   Mean   : -3.1545   Mean   : 268.7  
 3rd Qu.: 0.00000   3rd Qu.:42.38   3rd Qu.:  0.0406   3rd Qu.: 510.0  
 Max.   :40.00000   Max.   :43.57   Max.   :  4.2156   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.505   Mean   :217.6   Mean   :150.8   Mean   :  6.705   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03096   Mean   :28.36   Mean   :-16.05   Mean   : 518.6  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin             precip      
 Min.   : 1.000   Min.   :-53.0   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 2.000   1st Qu.:107.8   1st Qu.:  14.00   1st Qu.:  5.00  
 Median : 4.000   Median :142.0   Median :  41.00   Median : 12.00  
 Mean   : 5.721   Mean   :136.9   Mean   :  38.27   Mean   : 15.68  
 3rd Qu.:11.000   3rd Qu.:171.0   3rd Qu.:  65.00   3rd Qu.: 23.00  
 Max.   :12.000   Max.   :255.0   Max.   : 146.00   Max.   :126.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   :   0.000   Min.   :37.13   Min.   :-8.4106  
 1st Qu.:0.000000   1st Qu.:   0.000   1st Qu.:40.38   1st Qu.:-3.7642  
 Median :0.000000   Median :   0.000   Median :41.15   Median :-1.3044  
 Mean   :0.000842   Mean   :   1.238   Mean   :40.98   Mean   :-1.2728  
 3rd Qu.:0.000000   3rd Qu.:   0.000   3rd Qu.:41.98   3rd Qu.: 0.9844  
 Max.   :6.000000   Max.   :1834.000   Max.   :43.46   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.: 176.0  
 Median : 609.0  
 Mean   : 642.6  
 3rd Qu.: 890.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   :114.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:109.8   1st Qu.: 48.00   1st Qu.:133.0   1st Qu.:0  
 Median :10.000   Median :130.0   Median : 69.00   Median :145.0   Median :0  
 Mean   : 7.407   Mean   :133.0   Mean   : 70.01   Mean   :158.3   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:154.0   3rd Qu.: 91.25   3rd Qu.:167.2   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:40.80   1st Qu.: -8.624   1st Qu.: 105.5  
 Median :  0.000   Median :42.24   Median : -8.411   Median : 261.0  
 Mean   :  6.754   Mean   :41.11   Mean   : -6.504   Mean   : 499.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -4.010   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.49   Max.   :  2.827   Max.   :2400.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

Visualización de 5 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=5)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=5)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin         precip           nevada 
 Min.   : 1.000   Min.   : 82.0   Min.   :-19   Min.   : 0.000   Min.   :0  
 1st Qu.: 5.000   1st Qu.:211.0   1st Qu.:103   1st Qu.: 2.000   1st Qu.:0  
 Median : 7.000   Median :250.0   Median :135   Median : 7.000   Median :0  
 Mean   : 6.938   Mean   :247.9   Mean   :135   Mean   : 9.748   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:289.0   3rd Qu.:168   3rd Qu.:16.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254   Max.   :46.000   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :35.28   Min.   :-8.6494   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:37.96   1st Qu.:-5.6417   1st Qu.:  32.0  
 Median : 0.0000   Median :40.48   Median :-3.6781   Median :  95.0  
 Mean   : 0.0107   Mean   :40.10   Mean   :-3.0237   Mean   : 288.8  
 3rd Qu.: 0.0000   3rd Qu.:42.08   3rd Qu.: 0.0714   3rd Qu.: 540.0  
 Max.   :40.0000   Max.   :43.57   Max.   : 4.2156   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.505   Mean   :217.6   Mean   :150.8   Mean   :  6.705   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03096   Mean   :28.36   Mean   :-16.05   Mean   : 518.6  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   : 56.0   Min.   :-22.0   Min.   : 23.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:145.0   1st Qu.: 73.0   1st Qu.: 38.00   1st Qu.:0  
 Median : 8.000   Median :178.0   Median :100.0   Median : 48.00   Median :0  
 Mean   : 7.097   Mean   :182.8   Mean   :101.9   Mean   : 53.72   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:218.0   3rd Qu.:130.0   3rd Qu.: 64.00   3rd Qu.:0  
 Max.   :12.000   Max.   :352.0   Max.   :221.0   Max.   :133.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :28.46   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:38.99   1st Qu.: -6.350   1st Qu.:  27.0  
 Median : 0.00000   Median :42.26   Median : -3.831   Median :  87.0  
 Mean   : 0.05659   Mean   :41.15   Mean   : -3.810   Mean   : 168.2  
 3rd Qu.: 0.00000   3rd Qu.:43.31   3rd Qu.: -1.787   3rd Qu.: 251.0  
 Max.   :35.00000   Max.   :43.57   Max.   :  4.216   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin             precip      
 Min.   : 1.000   Min.   :-53.0   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 2.000   1st Qu.:107.8   1st Qu.:  14.00   1st Qu.:  5.00  
 Median : 4.000   Median :142.0   Median :  41.00   Median : 12.00  
 Mean   : 5.721   Mean   :136.9   Mean   :  38.27   Mean   : 15.68  
 3rd Qu.:11.000   3rd Qu.:171.0   3rd Qu.:  65.00   3rd Qu.: 23.00  
 Max.   :12.000   Max.   :255.0   Max.   : 146.00   Max.   :126.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   :   0.000   Min.   :37.13   Min.   :-8.4106  
 1st Qu.:0.000000   1st Qu.:   0.000   1st Qu.:40.38   1st Qu.:-3.7642  
 Median :0.000000   Median :   0.000   Median :41.15   Median :-1.3044  
 Mean   :0.000842   Mean   :   1.238   Mean   :40.98   Mean   :-1.2728  
 3rd Qu.:0.000000   3rd Qu.:   0.000   3rd Qu.:41.98   3rd Qu.: 0.9844  
 Max.   :6.000000   Max.   :1834.000   Max.   :43.46   Max.   : 4.2156  
    altitud      
 Min.   :   1.0  
 1st Qu.: 176.0  
 Median : 609.0  
 Mean   : 642.6  
 3rd Qu.: 890.0  
 Max.   :2535.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   :114.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:109.8   1st Qu.: 48.00   1st Qu.:133.0   1st Qu.:0  
 Median :10.000   Median :130.0   Median : 69.00   Median :145.0   Median :0  
 Mean   : 7.407   Mean   :133.0   Mean   : 70.01   Mean   :158.3   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:154.0   3rd Qu.: 91.25   3rd Qu.:167.2   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:40.80   1st Qu.: -8.624   1st Qu.: 105.5  
 Median :  0.000   Median :42.24   Median : -8.411   Median : 261.0  
 Mean   :  6.754   Mean   :41.11   Mean   : -6.504   Mean   : 499.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -4.010   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.49   Max.   :  2.827   Max.   :2400.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

Visualización de 6 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=6)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=6)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin         precip           nevada 
 Min.   : 1.000   Min.   : 82.0   Min.   :-19   Min.   : 0.000   Min.   :0  
 1st Qu.: 5.000   1st Qu.:211.0   1st Qu.:103   1st Qu.: 2.000   1st Qu.:0  
 Median : 7.000   Median :250.0   Median :135   Median : 7.000   Median :0  
 Mean   : 6.938   Mean   :247.9   Mean   :135   Mean   : 9.748   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:289.0   3rd Qu.:168   3rd Qu.:16.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254   Max.   :46.000   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :35.28   Min.   :-8.6494   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:37.96   1st Qu.:-5.6417   1st Qu.:  32.0  
 Median : 0.0000   Median :40.48   Median :-3.6781   Median :  95.0  
 Mean   : 0.0107   Mean   :40.10   Mean   :-3.0237   Mean   : 288.8  
 3rd Qu.: 0.0000   3rd Qu.:42.08   3rd Qu.: 0.0714   3rd Qu.: 540.0  
 Max.   :40.0000   Max.   :43.57   Max.   : 4.2156   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin           precip            nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.0   Min.   :  0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:201.0   1st Qu.:132.0   1st Qu.:  0.000   1st Qu.:0  
 Median : 7.000   Median :225.0   Median :160.0   Median :  1.000   Median :0  
 Mean   : 6.505   Mean   :217.6   Mean   :150.8   Mean   :  6.705   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:253.0   3rd Qu.:190.0   3rd Qu.:  8.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :114.000   Max.   :0  
   prof_nieve          longitud        latitud          altitud      
 Min.   : 0.00000   Min.   :27.82   Min.   :-17.89   Min.   :  14.0  
 1st Qu.: 0.00000   1st Qu.:28.31   1st Qu.:-16.56   1st Qu.:  25.0  
 Median : 0.00000   Median :28.44   Median :-16.33   Median :  35.0  
 Mean   : 0.03096   Mean   :28.36   Mean   :-16.05   Mean   : 518.6  
 3rd Qu.: 0.00000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 632.0  
 Max.   :46.00000   Max.   :28.95   Max.   :-13.60   Max.   :2371.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   : 56.0   Min.   :-22.0   Min.   : 23.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:145.0   1st Qu.: 73.0   1st Qu.: 38.00   1st Qu.:0  
 Median : 8.000   Median :178.0   Median :100.0   Median : 48.00   Median :0  
 Mean   : 7.097   Mean   :182.8   Mean   :101.9   Mean   : 53.72   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:218.0   3rd Qu.:130.0   3rd Qu.: 64.00   3rd Qu.:0  
 Max.   :12.000   Max.   :352.0   Max.   :221.0   Max.   :133.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :28.46   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:38.99   1st Qu.: -6.350   1st Qu.:  27.0  
 Median : 0.00000   Median :42.26   Median : -3.831   Median :  87.0  
 Mean   : 0.05659   Mean   :41.15   Mean   : -3.810   Mean   : 168.2  
 3rd Qu.: 0.00000   3rd Qu.:43.31   3rd Qu.: -1.787   3rd Qu.: 251.0  
 Max.   :35.00000   Max.   :43.57   Max.   :  4.216   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin             precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:112.0   1st Qu.:  17.00   1st Qu.: 4.00  
 Median : 4.000   Median :145.0   Median :  42.00   Median :11.00  
 Mean   : 5.644   Mean   :141.4   Mean   :  40.27   Mean   :14.03  
 3rd Qu.:11.000   3rd Qu.:172.0   3rd Qu.:  65.00   3rd Qu.:21.00  
 Max.   :12.000   Max.   :250.0   Max.   : 132.00   Max.   :84.00  
     nevada           prof_nieve         longitud        latitud       
 Min.   :0.000000   Min.   : 0.0000   Min.   :37.13   Min.   :-8.4106  
 1st Qu.:0.000000   1st Qu.: 0.0000   1st Qu.:40.30   1st Qu.:-3.7642  
 Median :0.000000   Median : 0.0000   Median :41.11   Median :-1.4106  
 Mean   :0.000921   Mean   : 0.1051   Mean   :40.89   Mean   :-1.3710  
 3rd Qu.:0.000000   3rd Qu.: 0.0000   3rd Qu.:41.77   3rd Qu.: 0.8031  
 Max.   :6.000000   Max.   :75.0000   Max.   :43.46   Max.   : 4.2156  
    altitud    
 Min.   :   1  
 1st Qu.: 123  
 Median : 541  
 Mean   : 505  
 3rd Qu.: 779  
 Max.   :1894  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 32.00   1st Qu.: -30.00   1st Qu.: 16.00  
 Median : 7.000   Median : 81.00   Median :  13.00   Median : 29.00  
 Mean   : 6.536   Mean   : 88.32   Mean   :  17.07   Mean   : 33.19  
 3rd Qu.: 9.000   3rd Qu.:143.00   3rd Qu.:  66.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :255.00   Max.   : 146.00   Max.   :126.00  
     nevada    prof_nieve         longitud        latitud           altitud    
 Min.   :0   Min.   :   0.00   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.00   Median :42.38   Median : 0.9844   Median :2143  
 Mean   :0   Mean   :  13.25   Mean   :41.94   Mean   :-0.2315   Mean   :2102  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   :114.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:109.8   1st Qu.: 48.00   1st Qu.:133.0   1st Qu.:0  
 Median :10.000   Median :130.0   Median : 69.00   Median :145.0   Median :0  
 Mean   : 7.407   Mean   :133.0   Mean   : 70.01   Mean   :158.3   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:154.0   3rd Qu.: 91.25   3rd Qu.:167.2   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:40.80   1st Qu.: -8.624   1st Qu.: 105.5  
 Median :  0.000   Median :42.24   Median : -8.411   Median : 261.0  
 Mean   :  6.754   Mean   :41.11   Mean   : -6.504   Mean   : 499.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -4.010   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.49   Max.   :  2.827   Max.   :2400.0  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

Visualización de 8 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=8)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=8)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :159.0   Min.   : 37.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:241.0   1st Qu.:116.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :275.0   Median :149.0   Median : 5.000   Median :0  
 Mean   : 7.324   Mean   :272.9   Mean   :148.6   Mean   : 7.583   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:303.0   3rd Qu.:181.0   3rd Qu.:12.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :44.000   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :35.28   Min.   :-8.6239   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:38.88   1st Qu.:-3.8075   1st Qu.:  44.0  
 Median : 0.0000   Median :40.47   Median :-1.4106   Median : 287.0  
 Mean   : 0.0017   Mean   :40.07   Mean   :-1.6434   Mean   : 380.7  
 3rd Qu.: 0.0000   3rd Qu.:41.53   3rd Qu.: 0.6217   3rd Qu.: 667.0  
 Max.   :35.0000   Max.   :43.36   Max.   : 4.2156   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 82.0   Min.   :-19.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:167.0   1st Qu.: 78.0   1st Qu.: 6.00   1st Qu.:0  
 Median : 6.000   Median :200.0   Median :111.0   Median :13.00   Median :0  
 Mean   : 6.194   Mean   :199.4   Mean   :108.6   Mean   :13.93   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:231.0   3rd Qu.:140.0   3rd Qu.:21.00   3rd Qu.:0  
 Max.   :12.000   Max.   :332.0   Max.   :212.0   Max.   :46.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud     
 Min.   : 0.00000   Min.   :35.28   Min.   :-8.649   Min.   :  1.0  
 1st Qu.: 0.00000   1st Qu.:36.85   1st Qu.:-6.949   1st Qu.: 22.0  
 Median : 0.00000   Median :42.24   Median :-5.698   Median : 58.0  
 Mean   : 0.02808   Mean   :40.16   Mean   :-5.691   Mean   :111.2  
 3rd Qu.: 0.00000   3rd Qu.:43.35   3rd Qu.:-3.831   3rd Qu.:143.0  
 Max.   :40.00000   Max.   :43.57   Max.   :-1.169   Max.   :656.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   : 87.0   Min.   : 64.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:212.0   1st Qu.:150.0   1st Qu.: 0.000   1st Qu.:0  
 Median : 6.000   Median :233.0   Median :169.0   Median : 1.000   Median :0  
 Mean   : 6.488   Mean   :234.2   Mean   :169.7   Mean   : 5.951   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:259.0   3rd Qu.:196.0   3rd Qu.: 7.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :87.000   Max.   :0  
   prof_nieve           longitud        latitud          altitud     
 Min.   :0.0000000   Min.   :27.82   Min.   :-17.89   Min.   : 14.0  
 1st Qu.:0.0000000   1st Qu.:28.05   1st Qu.:-16.56   1st Qu.: 25.0  
 Median :0.0000000   Median :28.46   Median :-16.26   Median : 33.0  
 Mean   :0.0003535   Mean   :28.38   Mean   :-15.95   Mean   :129.3  
 3rd Qu.:0.0000000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 35.0  
 Max.   :2.0000000   Max.   :28.95   Max.   :-13.60   Max.   :632.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   : 56.0   Min.   :-22.0   Min.   : 23.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:145.0   1st Qu.: 73.0   1st Qu.: 38.00   1st Qu.:0  
 Median : 8.000   Median :178.0   Median :100.0   Median : 48.00   Median :0  
 Mean   : 7.097   Mean   :182.8   Mean   :101.9   Mean   : 53.72   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:218.0   3rd Qu.:130.0   3rd Qu.: 64.00   3rd Qu.:0  
 Max.   :12.000   Max.   :352.0   Max.   :221.0   Max.   :133.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :28.46   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:38.99   1st Qu.: -6.350   1st Qu.:  27.0  
 Median : 0.00000   Median :42.26   Median : -3.831   Median :  87.0  
 Mean   : 0.05659   Mean   :41.15   Mean   : -3.810   Mean   : 168.2  
 3rd Qu.: 0.00000   3rd Qu.:43.31   3rd Qu.: -1.787   3rd Qu.: 251.0  
 Max.   :35.00000   Max.   :43.57   Max.   :  4.216   Max.   :1572.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin             precip     
 Min.   : 1.000   Min.   : -4.0   Min.   :-110.00   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:112.0   1st Qu.:  17.00   1st Qu.: 4.00  
 Median : 4.000   Median :145.0   Median :  42.00   Median :11.00  
 Mean   : 5.644   Mean   :141.4   Mean   :  40.27   Mean   :14.03  
 3rd Qu.:11.000   3rd Qu.:172.0   3rd Qu.:  65.00   3rd Qu.:21.00  
 Max.   :12.000   Max.   :250.0   Max.   : 132.00   Max.   :84.00  
     nevada           prof_nieve         longitud        latitud       
 Min.   :0.000000   Min.   : 0.0000   Min.   :37.13   Min.   :-8.4106  
 1st Qu.:0.000000   1st Qu.: 0.0000   1st Qu.:40.30   1st Qu.:-3.7642  
 Median :0.000000   Median : 0.0000   Median :41.11   Median :-1.4106  
 Mean   :0.000921   Mean   : 0.1051   Mean   :40.89   Mean   :-1.3710  
 3rd Qu.:0.000000   3rd Qu.: 0.0000   3rd Qu.:41.77   3rd Qu.: 0.8031  
 Max.   :6.000000   Max.   :75.0000   Max.   :43.46   Max.   : 4.2156  
    altitud    
 Min.   :   1  
 1st Qu.: 123  
 Median : 541  
 Mean   : 505  
 3rd Qu.: 779  
 Max.   :1894  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 32.00   1st Qu.: -30.00   1st Qu.: 16.00  
 Median : 7.000   Median : 81.00   Median :  13.00   Median : 29.00  
 Mean   : 6.536   Mean   : 88.32   Mean   :  17.07   Mean   : 33.19  
 3rd Qu.: 9.000   3rd Qu.:143.00   3rd Qu.:  66.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :255.00   Max.   : 146.00   Max.   :126.00  
     nevada    prof_nieve         longitud        latitud           altitud    
 Min.   :0   Min.   :   0.00   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.00   Median :42.38   Median : 0.9844   Median :2143  
 Mean   :0   Mean   :  13.25   Mean   :41.94   Mean   :-0.2315   Mean   :2102  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   :114.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:109.8   1st Qu.: 48.00   1st Qu.:133.0   1st Qu.:0  
 Median :10.000   Median :130.0   Median : 69.00   Median :145.0   Median :0  
 Mean   : 7.407   Mean   :133.0   Mean   : 70.01   Mean   :158.3   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:154.0   3rd Qu.: 91.25   3rd Qu.:167.2   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:40.80   1st Qu.: -8.624   1st Qu.: 105.5  
 Median :  0.000   Median :42.24   Median : -8.411   Median : 261.0  
 Mean   :  6.754   Mean   :41.11   Mean   : -6.504   Mean   : 499.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -4.010   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.49   Max.   :  2.827   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.00   Min.   :  0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.: 94.0   1st Qu.: 23.00   1st Qu.:  0.00   1st Qu.:0  
 Median : 7.000   Median :129.0   Median : 51.00   Median :  3.00   Median :0  
 Mean   : 6.585   Mean   :138.4   Mean   : 60.83   Mean   : 10.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:183.0   3rd Qu.: 98.00   3rd Qu.: 13.00   3rd Qu.:0  
 Max.   :12.000   Max.   :253.0   Max.   :159.00   Max.   :114.00   Max.   :0  
   prof_nieve         longitud        latitud         altitud    
 Min.   : 0.0000   Min.   :28.31   Min.   :-16.5   Min.   :2371  
 1st Qu.: 0.0000   1st Qu.:28.31   1st Qu.:-16.5   1st Qu.:2371  
 Median : 0.0000   Median :28.31   Median :-16.5   Median :2371  
 Mean   : 0.1766   Mean   :28.31   Mean   :-16.5   Mean   :2371  
 3rd Qu.: 0.0000   3rd Qu.:28.31   3rd Qu.:-16.5   3rd Qu.:2371  
 Max.   :46.0000   Max.   :28.31   Max.   :-16.5   Max.   :2371  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

Visualización de 10 clústeres:

if (!empty_nodes) {
  plot(hac, hang=-1, labels=F)
  rect.hclust(hac, k=10)
}

Visualización de los clústers en el mapa

A qué clúster pertenece cada nodo del mapa de kohonen:

if (!empty_nodes) {
  groups <- cutree(hac, k=10)
  plot(model, type="mapping",
    bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
    shape = "straight", labels = "")
  add.cluster.boundaries(model, clustering=groups)
}

Análisis de las observaciones de cada cluster

if (!empty_nodes) {
  # Asignamos a cada registro su clúster
  df$cluster <- groups[model$unit.classif]
}

Nuevos dataframes por cluster

if (!empty_nodes) {
  # Creo nuevos dataframes, uno por cada clúster.
  df.cluster01 <- subset(df, cluster==1)
  df.cluster02 <- subset(df, cluster==2)
  df.cluster03 <- subset(df, cluster==3)
  df.cluster04 <- subset(df, cluster==4)
  df.cluster05 <- subset(df, cluster==5)
  df.cluster06 <- subset(df, cluster==6)
  df.cluster07 <- subset(df, cluster==7)
  df.cluster08 <- subset(df, cluster==8)
  df.cluster09 <- subset(df, cluster==9)
  df.cluster10 <- subset(df, cluster==10)

  # Extraigo del dataframe las features.
  df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
  df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}

if (!empty_nodes) summary(df.cluster01)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   :159.0   Min.   : 37.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 6.000   1st Qu.:241.0   1st Qu.:116.0   1st Qu.: 1.000   1st Qu.:0  
 Median : 7.000   Median :275.0   Median :149.0   Median : 5.000   Median :0  
 Mean   : 7.324   Mean   :272.9   Mean   :148.6   Mean   : 7.583   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:303.0   3rd Qu.:181.0   3rd Qu.:12.000   3rd Qu.:0  
 Max.   :12.000   Max.   :403.0   Max.   :254.0   Max.   :44.000   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   : 0.0000   Min.   :35.28   Min.   :-8.6239   Min.   :   1.0  
 1st Qu.: 0.0000   1st Qu.:38.88   1st Qu.:-3.8075   1st Qu.:  44.0  
 Median : 0.0000   Median :40.47   Median :-1.4106   Median : 287.0  
 Mean   : 0.0017   Mean   :40.07   Mean   :-1.6434   Mean   : 380.7  
 3rd Qu.: 0.0000   3rd Qu.:41.53   3rd Qu.: 0.6217   3rd Qu.: 667.0  
 Max.   :35.0000   Max.   :43.36   Max.   : 4.2156   Max.   :1894.0  

if (!empty_nodes) summary(df.cluster02)

   fecha_cnt           tmax            tmin           precip          nevada 
 Min.   : 1.000   Min.   : 82.0   Min.   :-19.0   Min.   : 0.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:167.0   1st Qu.: 78.0   1st Qu.: 6.00   1st Qu.:0  
 Median : 6.000   Median :200.0   Median :111.0   Median :13.00   Median :0  
 Mean   : 6.194   Mean   :199.4   Mean   :108.6   Mean   :13.93   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:231.0   3rd Qu.:140.0   3rd Qu.:21.00   3rd Qu.:0  
 Max.   :12.000   Max.   :332.0   Max.   :212.0   Max.   :46.00   Max.   :0  
   prof_nieve          longitud        latitud          altitud     
 Min.   : 0.00000   Min.   :35.28   Min.   :-8.649   Min.   :  1.0  
 1st Qu.: 0.00000   1st Qu.:36.85   1st Qu.:-6.949   1st Qu.: 22.0  
 Median : 0.00000   Median :42.24   Median :-5.698   Median : 58.0  
 Mean   : 0.02808   Mean   :40.16   Mean   :-5.691   Mean   :111.2  
 3rd Qu.: 0.00000   3rd Qu.:43.35   3rd Qu.:-3.831   3rd Qu.:143.0  
 Max.   :40.00000   Max.   :43.57   Max.   :-1.169   Max.   :656.0  

if (!empty_nodes) summary(df.cluster03)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   : 87.0   Min.   : 64.0   Min.   : 0.000   Min.   :0  
 1st Qu.: 4.000   1st Qu.:212.0   1st Qu.:150.0   1st Qu.: 0.000   1st Qu.:0  
 Median : 6.000   Median :233.0   Median :169.0   Median : 1.000   Median :0  
 Mean   : 6.488   Mean   :234.2   Mean   :169.7   Mean   : 5.951   Mean   :0  
 3rd Qu.: 9.000   3rd Qu.:259.0   3rd Qu.:196.0   3rd Qu.: 7.000   3rd Qu.:0  
 Max.   :12.000   Max.   :356.0   Max.   :244.0   Max.   :87.000   Max.   :0  
   prof_nieve           longitud        latitud          altitud     
 Min.   :0.0000000   Min.   :27.82   Min.   :-17.89   Min.   : 14.0  
 1st Qu.:0.0000000   1st Qu.:28.05   1st Qu.:-16.56   1st Qu.: 25.0  
 Median :0.0000000   Median :28.46   Median :-16.26   Median : 33.0  
 Mean   :0.0003535   Mean   :28.38   Mean   :-15.95   Mean   :129.3  
 3rd Qu.:0.0000000   3rd Qu.:28.48   3rd Qu.:-15.39   3rd Qu.: 35.0  
 Max.   :2.0000000   Max.   :28.95   Max.   :-13.60   Max.   :632.0  

if (!empty_nodes) summary(df.cluster04)

   fecha_cnt           tmax            tmin           precip           nevada 
 Min.   : 1.000   Min.   : 56.0   Min.   :-14.0   Min.   : 23.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.:149.0   1st Qu.: 76.0   1st Qu.: 37.00   1st Qu.:0  
 Median : 8.000   Median :185.0   Median :104.0   Median : 45.00   Median :0  
 Mean   : 7.025   Mean   :187.6   Mean   :104.9   Mean   : 46.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:224.0   3rd Qu.:133.0   3rd Qu.: 55.00   3rd Qu.:0  
 Max.   :12.000   Max.   :352.0   Max.   :221.0   Max.   :103.00   Max.   :0  
   prof_nieve          longitud        latitud           altitud      
 Min.   : 0.00000   Min.   :28.46   Min.   :-17.755   Min.   :   1.0  
 1st Qu.: 0.00000   1st Qu.:38.37   1st Qu.: -6.257   1st Qu.:  27.1  
 Median : 0.00000   Median :42.24   Median : -3.831   Median :  87.0  
 Mean   : 0.04711   Mean   :41.02   Mean   : -3.726   Mean   : 166.7  
 3rd Qu.: 0.00000   3rd Qu.:43.31   3rd Qu.: -1.636   3rd Qu.: 251.0  
 Max.   :34.00000   Max.   :43.57   Max.   :  4.216   Max.   :1405.0  

if (!empty_nodes) summary(df.cluster05)

   fecha_cnt           tmax            tmin            precip     
 Min.   : 1.000   Min.   :  8.0   Min.   :-50.00   Min.   : 0.00  
 1st Qu.: 2.000   1st Qu.:137.0   1st Qu.: 38.00   1st Qu.: 3.00  
 Median : 3.000   Median :160.0   Median : 60.00   Median : 9.00  
 Mean   : 5.495   Mean   :156.7   Mean   : 57.12   Mean   :12.97  
 3rd Qu.:11.000   3rd Qu.:180.0   3rd Qu.: 79.00   3rd Qu.:19.00  
 Max.   :12.000   Max.   :247.0   Max.   :132.00   Max.   :68.00  
     nevada           prof_nieve          longitud        latitud       
 Min.   :0.000000   Min.   : 0.00000   Min.   :37.79   Min.   :-3.8189  
 1st Qu.:0.000000   1st Qu.: 0.00000   1st Qu.:39.85   1st Qu.: 0.3264  
 Median :0.000000   Median : 0.00000   Median :41.39   Median : 0.7106  
 Mean   :0.001004   Mean   : 0.04864   Mean   :40.86   Mean   : 0.8598  
 3rd Qu.:0.000000   3rd Qu.: 0.00000   3rd Qu.:41.84   3rd Qu.: 2.0697  
 Max.   :4.000000   Max.   :59.00000   Max.   :43.46   Max.   : 4.2156  
    altitud     
 Min.   :  1.0  
 1st Qu.: 35.0  
 Median : 91.0  
 Mean   :187.8  
 3rd Qu.:316.0  
 Max.   :953.0  

if (!empty_nodes) summary(df.cluster06)

   fecha_cnt           tmax             tmin             precip      
 Min.   : 1.000   Min.   :-53.00   Min.   :-121.00   Min.   :  0.00  
 1st Qu.: 4.000   1st Qu.: 32.00   1st Qu.: -30.00   1st Qu.: 16.00  
 Median : 7.000   Median : 81.00   Median :  13.00   Median : 29.00  
 Mean   : 6.536   Mean   : 88.32   Mean   :  17.07   Mean   : 33.19  
 3rd Qu.: 9.000   3rd Qu.:143.00   3rd Qu.:  66.00   3rd Qu.: 46.00  
 Max.   :12.000   Max.   :255.00   Max.   : 146.00   Max.   :126.00  
     nevada    prof_nieve         longitud        latitud           altitud    
 Min.   :0   Min.   :   0.00   Min.   :40.78   Min.   :-4.0103   Min.   :1405  
 1st Qu.:0   1st Qu.:   0.00   1st Qu.:40.78   1st Qu.:-4.0103   1st Qu.:1894  
 Median :0   Median :   0.00   Median :42.38   Median : 0.9844   Median :2143  
 Mean   :0   Mean   :  13.25   Mean   :41.94   Mean   :-0.2315   Mean   :2102  
 3rd Qu.:0   3rd Qu.:   0.00   3rd Qu.:42.53   3rd Qu.: 1.5242   3rd Qu.:2316  
 Max.   :0   Max.   :1834.00   Max.   :42.77   Max.   : 2.4378   Max.   :2535  

if (!empty_nodes) summary(df.cluster07)

   fecha_cnt          tmax            tmin          precip     
 Min.   : 1.00   Min.   : -4.0   Min.   :-110   Min.   : 0.00  
 1st Qu.: 2.00   1st Qu.: 99.0   1st Qu.:   5   1st Qu.: 5.00  
 Median : 4.00   Median :126.0   Median :  27   Median :12.00  
 Mean   : 5.77   Mean   :128.5   Mean   :  26   Mean   :14.93  
 3rd Qu.:11.00   3rd Qu.:159.0   3rd Qu.:  48   3rd Qu.:22.00  
 Max.   :12.00   Max.   :250.0   Max.   : 113   Max.   :84.00  
     nevada          prof_nieve         longitud        latitud      
 Min.   :0.00000   Min.   : 0.0000   Min.   :37.13   Min.   :-8.411  
 1st Qu.:0.00000   1st Qu.: 0.0000   1st Qu.:40.38   1st Qu.:-4.680  
 Median :0.00000   Median : 0.0000   Median :40.95   Median :-3.678  
 Mean   :0.00085   Mean   : 0.1529   Mean   :40.91   Mean   :-3.260  
 3rd Qu.:0.00000   3rd Qu.: 0.0000   3rd Qu.:41.77   3rd Qu.:-1.885  
 Max.   :6.00000   Max.   :75.0000   Max.   :43.35   Max.   : 2.482  
    altitud      
 Min.   : 162.0  
 1st Qu.: 627.0  
 Median : 750.0  
 Mean   : 773.5  
 3rd Qu.: 916.0  
 Max.   :1894.0  

if (!empty_nodes) summary(df.cluster08)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 59.0   Min.   :-22.00   Min.   : 65.00   Min.   :0  
 1st Qu.: 3.000   1st Qu.:130.0   1st Qu.: 62.00   1st Qu.: 79.00   1st Qu.:0  
 Median :10.000   Median :154.0   Median : 84.00   Median : 87.00   Median :0  
 Mean   : 7.448   Mean   :159.3   Mean   : 86.93   Mean   : 90.29   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:184.0   3rd Qu.:110.00   3rd Qu.:100.00   3rd Qu.:0  
 Max.   :12.000   Max.   :307.0   Max.   :211.00   Max.   :133.00   Max.   :0  
   prof_nieve         longitud        latitud           altitud    
 Min.   : 0.0000   Min.   :28.48   Min.   :-17.755   Min.   :   1  
 1st Qu.: 0.0000   1st Qu.:41.58   1st Qu.: -8.411   1st Qu.:  25  
 Median : 0.0000   Median :42.78   Median : -3.831   Median :  95  
 Mean   : 0.1032   Mean   :41.80   Mean   : -4.221   Mean   : 176  
 3rd Qu.: 0.0000   3rd Qu.:43.31   3rd Qu.: -1.787   3rd Qu.: 261  
 Max.   :35.0000   Max.   :43.57   Max.   :  4.216   Max.   :1572  

if (!empty_nodes) summary(df.cluster09)

   fecha_cnt           tmax            tmin            precip          nevada 
 Min.   : 1.000   Min.   : -8.0   Min.   :-58.00   Min.   :114.0   Min.   :0  
 1st Qu.: 2.000   1st Qu.:109.8   1st Qu.: 48.00   1st Qu.:133.0   1st Qu.:0  
 Median :10.000   Median :130.0   Median : 69.00   Median :145.0   Median :0  
 Mean   : 7.407   Mean   :133.0   Mean   : 70.01   Mean   :158.3   Mean   :0  
 3rd Qu.:11.000   3rd Qu.:154.0   3rd Qu.: 91.25   3rd Qu.:167.2   3rd Qu.:0  
 Max.   :12.000   Max.   :350.0   Max.   :223.00   Max.   :422.0   Max.   :0  
   prof_nieve         longitud        latitud           altitud      
 Min.   :  0.000   Min.   :27.82   Min.   :-17.889   Min.   :   1.0  
 1st Qu.:  0.000   1st Qu.:40.80   1st Qu.: -8.624   1st Qu.: 105.5  
 Median :  0.000   Median :42.24   Median : -8.411   Median : 261.0  
 Mean   :  6.754   Mean   :41.11   Mean   : -6.504   Mean   : 499.7  
 3rd Qu.:  0.000   3rd Qu.:42.89   3rd Qu.: -4.010   3rd Qu.: 370.0  
 Max.   :892.000   Max.   :43.49   Max.   :  2.827   Max.   :2400.0  

if (!empty_nodes) summary(df.cluster10)

   fecha_cnt           tmax            tmin            precip           nevada 
 Min.   : 1.000   Min.   : 13.0   Min.   :-33.00   Min.   :  0.00   Min.   :0  
 1st Qu.: 4.000   1st Qu.: 94.0   1st Qu.: 23.00   1st Qu.:  0.00   1st Qu.:0  
 Median : 7.000   Median :129.0   Median : 51.00   Median :  3.00   Median :0  
 Mean   : 6.585   Mean   :138.4   Mean   : 60.83   Mean   : 10.29   Mean   :0  
 3rd Qu.:10.000   3rd Qu.:183.0   3rd Qu.: 98.00   3rd Qu.: 13.00   3rd Qu.:0  
 Max.   :12.000   Max.   :253.0   Max.   :159.00   Max.   :114.00   Max.   :0  
   prof_nieve         longitud        latitud         altitud    
 Min.   : 0.0000   Min.   :28.31   Min.   :-16.5   Min.   :2371  
 1st Qu.: 0.0000   1st Qu.:28.31   1st Qu.:-16.5   1st Qu.:2371  
 Median : 0.0000   Median :28.31   Median :-16.5   Median :2371  
 Mean   : 0.1766   Mean   :28.31   Mean   :-16.5   Mean   :2371  
 3rd Qu.: 0.0000   3rd Qu.:28.31   3rd Qu.:-16.5   3rd Qu.:2371  
 Max.   :46.0000   Max.   :28.31   Max.   :-16.5   Max.   :2371  

Número de elementos en cada clúster

if (!empty_nodes) {
  df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
  barplot(df.clusters.dim,
          names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
          col = "steelblue1")
}

Distribución de los datos

if (!empty_nodes) mpr.hist(df.cluster01)

if (!empty_nodes) mpr.hist(df.cluster02)

if (!empty_nodes) mpr.hist(df.cluster03)

if (!empty_nodes) mpr.hist(df.cluster04)

if (!empty_nodes) mpr.hist(df.cluster05)

if (!empty_nodes) mpr.hist(df.cluster06)

if (!empty_nodes) mpr.hist(df.cluster07)

if (!empty_nodes) mpr.hist(df.cluster08)

if (!empty_nodes) mpr.hist(df.cluster09)

if (!empty_nodes) mpr.hist(df.cluster10)

if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)

if (!empty_nodes) mpr.boxplot(df.cluster03)

if (!empty_nodes) mpr.boxplot(df.cluster04)

if (!empty_nodes) mpr.boxplot(df.cluster05)

if (!empty_nodes) mpr.boxplot(df.cluster06)

if (!empty_nodes) mpr.boxplot(df.cluster07)

if (!empty_nodes) mpr.boxplot(df.cluster08)

if (!empty_nodes) mpr.boxplot(df.cluster09)

if (!empty_nodes) mpr.boxplot(df.cluster10)

Localización geográfica de las estaciones de medida de cada cluster

# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
  df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
  df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
  df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
  df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
  df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
  df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
  df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
  df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
  df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
  df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}

if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)

if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)